当今社会,约束优化问题存在于我们生活的各个方面,比如工程设计、图像处理、调度问题等领域。一般在处理约束优化问题时,最主流、有效的方法就是将进化算法与约束处理技术结合,然而在处理过程中,此类方法具有收敛精度不高、在高维函数中表现不佳、鲁棒性不强的缺陷。如何克服这些缺陷,成为我们研究的重点。在过往的研究中可以知道,元胞遗传算法具有多样性保持良好、鲁棒性强的优点,然而目前采用元胞遗传算法作为进化算法结合约束处理技术来处理约束优化问题的研究是十分匮乏的。为了能有效改善随机法处理约束优化问题的缺陷,本文提出元胞遗传算法分别与ε约束处理技术和双种群存储技术结合的εCGA算法与DPCGA算法。提出εCGA算法处理约束优化问题,将元胞遗传算法与引入的ε约束处理技术结合,提出偏好性指标与改进柯西变异算子的改进策略。在截断代数前期采用偏好性指标使种群能有效朝可行域收敛,在截断代数后期采用柯西变异算子避免算法陷入局部最优。经过与其他算法对比后,该算法收敛精度良好,在高维测试函数中表现较优,但在部分测试函数中鲁棒性较差。提出将元胞遗传算法与双种群存储技术结合的DPCGA算法处理约束优化问题。在初始种群进化时,提出新的可行个体与不可行个体更新策略;当把可行个体代入元胞结构中再进行进化时,提出基于粒子群概念的变异算子以及约束处理限制措施的改进方法,增加种群多样性。最后与其他算法进行对比后,结果表明该算法在具有多个局部最优且目标函数维度较低的测试函数中效果不太理想,但在其他测试函数中,该算法不仅具有较高的收敛精度,鲁棒性与高维函数中的表现都要优于其他算法。针对约束优化问题,本文提出以元胞遗传算法为进化算法与约束处理技术结合的εCGA与DPCGA算法。最后得出结论,以元胞遗传算法作为进化算法来处理约束优化问题具有较好的收敛精度且在高维函数测试中表现都要比其他算法更优,但两者算法分别具有鲁棒性不强、适用性不好的缺陷,这可作为日后研究改进的重点。